Що DeepSeek може нас навчити про вартість та ефективність штучного інтелекту

З її милим логотипом кита, недавній випуск DeepSeek міг би скласти nothing більше, ніж ще одну копію ChatGPT. Що зробило його новинним – і що послало акції конкурентів у вільне падіння – було те, як мало коштувало створити. Це ефективно кинуло монету у повітря щодо американського уявлення про інвестиції, необхідні для навчання високофункціональної великомасштабної мови моделі (LLM).

DeepSeek, як повідомляється, витратив лише 6 мільйонів доларів на навчання своєї моделі штучного інтелекту. Порівняйте це з 80-100 мільйонами доларів, які OpenAI витратив на Chat GPT-4, або 1 мільярдом доларів, які вони виділили для GPT-5. DeepSeek поставляє під сумнів рівень інвестицій і залишає великих гравців, таких як Nvidia (NVDA ) – чия вартість акцій впала на 600 мільярдів доларів за один день – TSMC і Microsoft (MSFT ), турбуються про довгострокову фінансову життєздатність штучного інтелекту. Якщо можливо тренувати моделі штучного інтелекту за значно нижчу ціну, ніж раніше припускалося, то що це означає для витрат на штучний інтелект у цілому?

Хоча розрив, створений DeepSeek, призвів до важливих обговорень, деякі ключові моменти здаються втраченими в хаосі. Однак те, що новина викликає, це більша увага до того, скільки коштує інновація, і можливого економічного впливу штучного інтелекту. Ось три важливих висновки, що випливають із цієї новини:

1. Ціна DeepSeek у 6 мільйонів доларів є оманливою

Компанії повинні розуміти загальну вартість володіння своїми інфраструктурними ресурсами (TCO). Хоча ціна DeepSeek у 6 мільйонів доларів багато обговорювалася, це, ймовірно, вартість лише його попереднього тренування, а не всієї інвестиції. Загальна вартість – не тільки експлуатації, але й будівництва і навчання DeepSeek – ймовірно, значно вища. Аналітичний фірма SemiAnalysis показала, що компанія, яка стоїть за DeepSeek, витратила 1,6 мільярда доларів на апаратне забезпечення, щоб зробити свою LLM реальністю. Тому ймовірна вартість знаходиться десь посередині.

Хоч би яка була справжня вартість, появу DeepSeek створила фокус на інноваціях, ефективних з точки зору витрат, які можуть бути трансформаційними. Інновації часто спонукаються обмеженнями, і успіх DeepSeek підкреслює те, як інновації можуть відбуватися, коли інженерні команди оптимізують свої ресурси в умовах реальних обмежень.

2. Висновок є тим, що робить штучний інтелект цінним, а не тренування

Важливо звернути увагу на те, скільки коштує тренування моделей штучного інтелекту, але тренування становить лише невелику частку загальної вартості створення і експлуатації моделі штучного інтелекту. Висновок — різноманітні способи, якими штучний інтелект змінює спосіб життя людей, взаємодію і життя — саме тут штучний інтелект стає真正 цінним.

Це викликає парадокс Джевонса, економічну теорію, яка припускає, що коли технологічні досягнення роблять використання ресурсу більш ефективним, загальне споживання цього ресурсу може фактично збільшитися. Інакше кажучи, коли витрати на тренування знижуються, висновок і агентське споживання збільшаться, а загальні витрати слідуватимуть за цим.

Ефективність штучного інтелекту може фактично привести до зростання витрат на штучний інтелект, яке повинно підняти всі човни, а не тільки китайські. Припускаючи, що вони кататься на хвилі ефективності, компанії, такі як OpenAI і Nvidia, також виграють.

3. Що залишається правдою, то це те, що економіка одиниць має найбільше значення

Зробити штучний інтелект більш ефективним не тільки означає зниження витрат; це також оптимізація економіки одиниць. The Motley Fool прогнозує, що цей рік буде роком ефективності штучного інтелекту. Якщо вони праві, компанії повинні звернути увагу на зниження витрат на тренування штучного інтелекту, а також на витрати на споживання штучного інтелекту.

Організації, які будують або використовують штучний інтелект, повинні знати свою економіку одиниць, а не виділяти лише вражаючі цифри, такі як витрати DeepSeek на тренування у 6 мільйонів доларів. Реальна ефективність включає в себе розподіл усіх витрат, відстеження запитів, спонукаються штучним інтелектом, і постійний контроль над співвідношенням витрат і цінності.

Економіка одиниць у хмарі (CUE) пов’язана з вимірюванням і максимізацією прибутку, спонукаемого хмарою. CUE порівнює ваші витрати на хмару з метриками доходу і попиту, показуючи, наскільки ефективні ваші витрати на хмару, як це змінилося з часом, і (якщо у вас є правильна платформа) найкращі способи збільшити цю ефективність.

Поняття CUE має ще більшу користь у контексті штучного інтелекту, оскільки воно є внутрішньо більш дорогим у споживанні, ніж традиційні хмарні послуги, продавані гіперскалерами. Компанії, які будують агентські додатки, можуть розрахувати свою вартість за транзакцію (наприклад, вартість за рахунок, вартість за доставку, вартість за торгівлю тощо) і використовувати це для оцінки повернення інвестицій у конкретні послуги, продукти і функції, спонукаються штучним інтелектом. Коли витрати на штучний інтелект зростають, компанії будуть змушені робити це; жодна компанія не може кидати нескінченні долари на експериментальну інновацію назавжди. Зрештою, це повинно мати бізнес-сенс.

До більшої ефективності

Хоч би наскільки значущою була цифра у 6 мільйонів доларів, DeepSeek, можливо, створила момент, який пробудить технологічну промисловість до неминучої важливості ефективності. Давайте сподіваємося, що це відкриє шлюзи для ефективного тренування, висновку і агентських додатків, які розблокують справжній потенціал і ROI штучного інтелекту.